論文の概要: Scaling Versatile 3D Assets Editing with a Million-Scale Dataset

• arxiv url: http://arxiv.org/abs/2609.34271v1
• Date: Mon, 28 Sep 2026 04:20:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:18:20.979164
• Title: Scaling Versatile 3D Assets Editing with a Million-Scale Dataset
• Title（参考訳）: 百万規模のデータセットによる3Dアセットのスケーリング
• Abstract要約: 本稿では,汎用的な3Dアセットエディタをトレーニングし,評価するための統合フレームワークであるAlchemy3Dを紹介する。 具体的には、1.25万の資産と1.38万の編集ペアを含む大規模な3D編集データセットであるAlchemy3D-1Mをキュレートする。 また,多次元評価プロトコルを備えた大規模オープンワールドベンチマークであるGEdit3D-Benchを紹介する。
• 参考スコア（独自算出の注目度）: 66.0812907853948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although recent 3D generative models produce increasingly realistic assets, controllable 3D asset editing remains challenging. Existing methods are limited by scarce training data, insufficient source-aware modeling, and a lack of practical evaluation protocols. To address these limitations, we present Alchemy3D, a unified framework for training and evaluating versatile 3D asset editors that covers data construction, model architecture, and benchmark evaluation. Specifically, we curate Alchemy3D-1M, a large-scale 3D editing dataset containing 1.25M assets and 1.38M editing pairs across seven editing types. On this data, we train a family of generative flow models for general-purpose 3D asset editing. The model family supports image- and text-conditioned editing, few-step inference, and transfer to multi-view 3D part segmentation. We further introduce GEdit3D-Bench, a large-scale, open-world benchmark with a multi-dimensional evaluation protocol. Across existing and newly introduced benchmarks, our method outperforms prior methods on most metrics of editing fidelity, source preservation, and visual quality.
• Abstract（参考訳）: 最近の3D生成モデルはますます現実的な資産を生み出すが、制御可能な3Dアセット編集は依然として困難である。 既存の手法は、訓練データ不足、ソース・アウェア・モデリングの不十分、実用的な評価プロトコルの欠如によって制限されている。 これらの制約に対処するため、データ構築、モデルアーキテクチャ、ベンチマーク評価をカバーする汎用的な3Dアセットエディタをトレーニングおよび評価するための統合フレームワークであるAlchemy3Dを提案する。 具体的には、7種類の編集タイプに1.25万のアセットと1.38万の編集ペアを含む大規模な3D編集データセットであるAlchemy3D-1Mをキュレートする。 このデータに基づいて、汎用的な3Dアセット編集のための生成フローモデルのファミリーを訓練する。 モデルファミリは、画像およびテキスト条件の編集、数ステップの推論、マルチビュー3D部分セグメンテーションへの転送をサポートする。 さらに,多次元評価プロトコルを備えた大規模オープンワールドベンチマークであるGEdit3D-Benchを紹介する。 提案手法は,既存および新たに導入されたベンチマークにおいて,精度,情報源の保存,視覚的品質などの多くの指標において,従来の手法よりも優れていた。

関連論文リスト

• Geometry-Guided Reinforcement Learning for Multi-view Consistent 3D Scene Editing [106.07976338405793]
  3次元編集における2次元拡散モデルの先行的活用は、有望なパラダイムとして現れている。 我々は3次元基礎モデルであるVGGTから得られた新たな報酬を用いて、強化学習によって駆動されるシングルパスフレームワークであるtextbfRL3DEditを提案する。 実験により、RL3DEditは安定したマルチビューの一貫性を実現し、高い効率で品質を編集する最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-03T16:31:10Z)
• Native 3D Editing with Full Attention [47.908091876301796]
  本研究では,1つのフィードフォワードパスで直接3D表現を操作できる新しい3D編集フレームワークを提案する。 このデータセットは慎重にキュレーションされ、編集されたオブジェクトが命令の変更に忠実に従うことを保証する。 その結果,トークンの連結はパラメータ効率が良く,優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2025-11-21T18:59:26Z)
• NANO3D: A Training-Free Approach for Efficient 3D Editing Without Masks [29.825760228576744]
  Nano3Dは、マスクなしで正確でコヒーレントな3Dオブジェクト編集のためのトレーニング不要のフレームワークである。 我々は,10万以上の高品質な3D編集ペアを含む,最初の大規模3D編集データセットであるNano3D-Edit-100kを構築した。
  論文  参考訳（メタデータ） (2025-10-16T17:51:50Z)
• 3D-LATTE: Latent Space 3D Editing from Textual Instructions [64.77718887666312]
  本研究では,ネイティブな3次元拡散モデルの潜在空間内で動作する学習自由な編集手法を提案する。 生成元からの3Dアテンションマップとソースオブジェクトをブレンドすることで、編集合成をガイドする。
  論文  参考訳（メタデータ） (2025-08-29T22:51:59Z)
• Manipulating Vehicle 3D Shapes through Latent Space Editing [0.0]
  本稿では,車載3Dモデルに対する連続的,高精度,属性特異的な修正を可能にする,事前学習型回帰器を用いたフレームワークを提案する。 提案手法は,車両3Dオブジェクトの固有性を保持するだけでなく,多属性編集もサポートしており,モデルの構造的整合性を損なうことなく,広範囲のカスタマイズが可能となる。
  論文  参考訳（メタデータ） (2024-10-31T13:41:16Z)
• ComboVerse: Compositional 3D Assets Creation Using Spatially-Aware Diffusion Guidance [76.7746870349809]
  複雑な構成で高品質な3Dアセットを生成する3D生成フレームワークであるComboVerseについて,複数のモデルを組み合わせることを学習して紹介する。 提案手法は,標準スコア蒸留法と比較して,物体の空間的アライメントを重視している。
  論文  参考訳（メタデータ） (2024-03-19T03:39:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。